Previsión del consumo eléctrico en el cantón Salcedo mediante técnicas de aprendizaje automático

Autores/as

DOI:

https://doi.org/10.35290/ro.v5n1.2024.1134

Palabras clave:

previsión de consumo eléctrico, aprendizaje automático, Random Forest, XGBoost, Ecuador

Resumen

En respuesta al crecimiento de la demanda de energía eléctrica, este estudio se centra en la eficiente previsión del consumo eléctrico en el cantón Salcedo, Ecuador. Se adoptaron las técnicas de aprendizaje automático Random Forest y XGBoost para pronosticar la demanda de seis parroquias en el sector residencial con registros de enero de 2017 hasta diciembre de 2022. La metodología abarcó la recopilación de datos, preprocesamiento, entrenamiento y evaluación de modelos. Se utilizaron métricas como el RMSE y MAPE para validar el rendimiento, destacando Random Forest como el más eficaz en la previsión de la demanda en todas las parroquias, mostrando una adaptación más adecuada a las peculiaridades del consumo eléctrico. Este enfoque no solo proporciona una base para la planificación eficiente de la generación y distribución de energía, sino que también destaca la utilidad de las técnicas de aprendizaje automático en entornos de previsión de consumo energético. 

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Ahmad, M. W., Reynolds, J., & Rezgui, Y. (2018). Predictive modelling for solar thermal energy systems: A comparison of support vector regression, random forest, extra trees and regression trees. Journal of Cleaner Production, 203, 810–821. https://doi.org/10.1016/J.JCLEPRO.2018.08.207 DOI: https://doi.org/10.1016/j.jclepro.2018.08.207

ARCERNNR. (2023). Reportes de Información Estadística del Sector Eléctrico. SISDAT. http://reportes.controlrecursosyenergia.gob.ec/

Banik, R., Das, P., Ray, S., & Biswas, A. (2021). Prediction of electrical energy consumption based on machine learning technique. DOI: https://doi.org/10.1007/s00202-020-01126-z

Electrical Engineering, 103(2), 909–920. https://doi.org/10.1007/S00202-020-01126-Z/METRICS

Bedi, J., & Toshniwal, D. (2019). Deep learning framework to forecast electricity demand. Applied Energy, 238, 1312–1326. https://doi.org/10.1016/J.APENERGY.2019.01.113 DOI: https://doi.org/10.1016/j.apenergy.2019.01.113

Dhaliwal, S., Nahid, A.-A., & Abbas, R. (2018). Effective Intrusion Detection System Using XGBoost. Information, 9(7). https://doi.org/10.3390/info9070149 DOI: https://doi.org/10.3390/info9070149

Guachimboza-Davalos, J. I., Llanes-Cedeño, E. A., Rubio-Aguiar, R., Peralta-Zurita, D., & Núñez-Barrionuevo, O. (2021). Prediction of Monthly Electricity Consumption by Cantons in Ecuador Through Neural Networks: A Case Study. Advances in Intelligent Systems and Computing, 1273 AISC, 28–37. https://doi.org/10.1007/978-3-030-59194-6_3/COVER DOI: https://doi.org/10.1007/978-3-030-59194-6_3

Li, R., Jiang, P., Yang, H., & Li, C. (2020). A novel hybrid forecasting scheme for electricity demand time series. Sustainable Cities and Society, 55, 102036. https://doi.org/10.1016/J.SCS.2020.102036 DOI: https://doi.org/10.1016/j.scs.2020.102036

Li, X., Ma, L., Chen, P., Xu, H., Xing, Q., Yan, J., Lu, S., Fan, H., Yang, L., & Cheng, Y. (2022). Probabilistic solar irradiance forecasting based on XGBoost. Energy Reports, 8, 1087–1095. https://doi.org/10.1016/J.EGYR.2022.02.251 DOI: https://doi.org/10.1016/j.egyr.2022.02.251

Mañay, E., Chiliquinga, M., Taco, H., y Moreno, M. (2022). Sistema de Internet de las cosas para el monitoreo del índice ultravioleta en la comunidad de Chirinche Bajo. REVISTA ODIGOS, 3(2), 9–25. https://doi.org/10.35290/RO.V3N2.2022.595 DOI: https://doi.org/10.35290/ro.v3n2.2022.595

Mañay, E., Martínez, D., Chiliquinga, M., Criollo, V., Rivera, E., & Toasa, R. (2022). Low-cost deep learning-based architecture for detecting cardiac arrhythmias in ECG signals. Iberian Conference on Information Systems and Technologies, CISTI, 2022-June. https://doi.org/10.23919/CISTI54924.2022.9820243 DOI: https://doi.org/10.23919/CISTI54924.2022.9820243

Mir, A., Alghassab, M., Ullah, K., Khan, Z., Lu, Y., & Imran, M. (2020). A Review of Electricity Demand Forecasting in Low and Middle Income Countries: The Demand Determinants and Horizons. Sustainability, 12(15), 5931. https://doi.org/10.3390/SU12155931 DOI: https://doi.org/10.3390/su12155931

Rojas, E. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. Risti, E28, 586–599.

Rosero-Garcia, J., Llanes-Cedeño, E., Arciniega-Rocha, R., & López-Villada, J. (2021). Analysis of Prediction and Clustering of Electricity Consumption in the Province of Imbabura-Ecuador for the Planning of Energy Resources. Intelligent Computing - Proceedings of the 2021 Computing Conference, 1073–1084. https://doi.org/10.1007/978-3-030-80126-7_75/COVER DOI: https://doi.org/10.1007/978-3-030-80126-7_75

Ruiz-Abellón, M. D., Gabaldón, A., & Guillamón, A. (2018). Load Forecasting for a Campus University Using Ensemble Methods Based on Regression Trees. Energies, 11(8). https://doi.org/10.3390/en11082038 DOI: https://doi.org/10.3390/en11082038

Shin, S.-Y., & Woo, H.-G. (2022). Energy Consumption Forecasting in Korea Using Machine Learning Algorithms. Energies, 15(13). https://doi.org/10.3390/en15134880 DOI: https://doi.org/10.3390/en15134880

Descargas

Publicado

2024-02-10

Cómo citar

Chicaiza Yugcha, O. F., Martínez Guaman, C. J., Orozco Manobanda, I. A., & Arellano Castro, Ángel D. (2024). Previsión del consumo eléctrico en el cantón Salcedo mediante técnicas de aprendizaje automático. REVISTA ODIGOS, 5(1), 9–24. https://doi.org/10.35290/ro.v5n1.2024.1134

Número

Vol. 5 Núm. 1 (2024)

Sección

Artículos

Licencia

Derechos de autor 2024 Oscar Fabricio Chicaiza Yugcha, Carlos Julio Martínez Guaman, Israel Antonio Orozco Manobanda, Ángel Danilo Arellano Castro

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Los autores que participen de los procesos de evaluación y publicación de sus ediciones conservan sus derechos de autor, cediendo a la revista el derecho a la primera publicación, tal como establecen las condiciones de reconocimiento en la licencia Creative Commons Reconocimiento 4.0 Internacional (CC BY), donde los autores autorizan el libre acceso a sus obras, permitiendo que los lectores copien, distribuyan y transmitan por diversos medios, garantizando una amplia difusión del conocimiento científico publicado.

  1. Toda derivación, a partir de esta obra, deberá citar la fuente y a la primera publicación en esta revista. Se permiten derechos comerciales no lucrativos sobre sus contenidos.
  2. Los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista, es decir, podrán incluirlo en un repositorio institucional o publicarlo en un libro, siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
  3. Se permite y recomienda a los autores compartir su trabajo en línea, con la finalidad de intercambios productivos para una mayor y más rápida citación del trabajo como lo establece los efectos del movimiento ‘Acceso Abierto’.
  4. No puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia: https://creativecommons.org/licenses/by/4.0/deed.es
  5. La Revista ODIGOS es financiada completamente de los aportes realizados por nuestra entidad editora: Universidad Tecnológica Israel; por tal motivo, no establece cargos o cobros de ninguna índole a sus autores y colaboradores, así como tampoco genera pagos o remuneraciones de ningún tipo a ellos.
  6. Se asignará un Digital Object Identifier (DOI) a cada publicación.